基于矩阵分解技术的社会网络中节点中心性算法的研究

发布时间：2021-02-27 04:57

　　节点的重要性或称“中心性（centrality）”,它作为社会网络分析的一个重要领域,在近年来获得学者的广泛关注和研究。识别出网络中的重要节点会对社会、经济和人们的生产生活都带来巨大影响。其中,网络中的重要节点相比其他节点具有更大的影响力,它们能够更大限度地影响着网络的结构和功能。研究网络的节点中心性算法并识别出网络中的重要节点,对控制传染病的爆发、预测未来的流行趋势、舆情控制、网络搜索、电子商务产品的宣传等多个实际应用场景具有广泛且重要的应用价值。节点中心性问题研究至今,研究者们提出了很多经典的中心性算法,如degree centrality、closeness centrality、betweenness centrality、eigenvector centrality 等。不管是基于计算邻居节点数的简单算法,还是基于最短路径条数和长度的复杂算法,都从不同的角度给出了衡量网络节点重要性的指标。这些经典算法考虑的是网络中所有的连边关系,但在某些情况下,研究者希望在计算节点中心性时忽略网络中的一些可能会引起偏差的连边,若是简单地删除这些连边又会导致错误结果。2015年P.Bonaci... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
符号说明
第1章 引言
    1.1 研究背景与研究意义
    1.2 国内外研究现状
    1.3 论文研究内容
    1.4 论文组织结构和创新点
第2章 度量节点重要性的经典算法
    2.1 度中心性
    2.2 接近中心性
    2.3 介数中心性
    2.4 特征向量中心性
    2.5 局部三角形结构中心性
    2.6 本章小结
第3章 矩阵分解及其在复杂网络中的应用
    3.1 非负矩阵分解
    3.2 加权非负矩阵分解
    3.3 对称非负矩阵分解
    3.4 加权对称非负矩阵分解
    3.5 本章小结
第4章 基于加权对称非负矩阵分解的节点中心性算法
    4.1 Degree-like中心性
    4.2 Degree-like中心性和eigenvector-like中心性的关系
    4.3 WSNMF问题的计算
    4.4 实验
        4.4.1 Data 1: 带structural ones的网络
        4.4.2 Data 2: 带structural zeroes的网络
        4.4.3 Data 3: 带缺失值的合成网络
        4.4.4 Data 4: 带structural zeroes的合成网络
        4.4.5 讨论
    4.5 本章小结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
作者简介
学位论文评阅及答辩情况表



本文编号：3053723